非均衡数据处理算法及在IPTV中的应用研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 论文主要工作 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 相关背景知识 | 第17-25页 |
| 2.1 特征选择 | 第17-20页 |
| 2.1.1 过滤式特征选择算法 | 第18-19页 |
| 2.1.2 包裹式特征选择算法 | 第19页 |
| 2.1.3 嵌入式特征选择算法 | 第19-20页 |
| 2.2 聚类算法 | 第20-21页 |
| 2.2.1 划分法 | 第20页 |
| 2.2.2 层次法 | 第20页 |
| 2.2.3 密度聚类法 | 第20-21页 |
| 2.2.4 网格聚类法 | 第21页 |
| 2.2.5 模型聚类法 | 第21页 |
| 2.3 集成学习算法 | 第21-24页 |
| 2.3.1 Bagging算法 | 第22-23页 |
| 2.3.2 Boosting算法 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于少数类样本局部分布的KNN分类算法 | 第25-36页 |
| 3.1 KNN算法 | 第25-27页 |
| 3.2 KNN算法研究现状 | 第27-28页 |
| 3.3 基于少数类样本局部分布的KNN分类算法 | 第28-31页 |
| 3.4 实验设计及结果分析 | 第31-34页 |
| 3.4.1 实验数据集 | 第31页 |
| 3.4.2 实验评价指标 | 第31-32页 |
| 3.4.3 实验结果及分析 | 第32-34页 |
| 3.5 本章小结 | 第34-36页 |
| 第四章 基于特征选择和聚类抽样的集成算法 | 第36-47页 |
| 4.1 Relief相关算法 | 第36-37页 |
| 4.1.1 Relief算法 | 第36-37页 |
| 4.1.2 Relief-F算法 | 第37页 |
| 4.2 聚类算法 | 第37-38页 |
| 4.2.1 K-means算法 | 第37-38页 |
| 4.2.2 二分K-means算法 | 第38页 |
| 4.3 基于特征选择和聚类抽样的集成算法 | 第38-42页 |
| 4.3.1 算法原理 | 第39-41页 |
| 4.3.2 算法流程 | 第41-42页 |
| 4.4 实验结果及分析 | 第42-46页 |
| 4.4.1 实验参数及评价指标 | 第42页 |
| 4.4.2 朴素贝叶斯为基分类器的实验结果 | 第42-43页 |
| 4.4.3 SVM为基分类器的实验结果 | 第43-45页 |
| 4.4.4 随机森林为基分类器的实验结果 | 第45-46页 |
| 4.4.5 基于不同基分类器的集成算法比较 | 第46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于非均衡数据处理的IPTV用户报障预测 | 第47-57页 |
| 5.1 IPTV系统介绍 | 第47-48页 |
| 5.2 IPTV故障定位 | 第48-49页 |
| 5.3 IPTV数据集 | 第49-51页 |
| 5.3.1 用户报障分析 | 第49-50页 |
| 5.3.2 数据字段 | 第50-51页 |
| 5.4 IPTV报障预测模型 | 第51-53页 |
| 5.4.1 数据预处理 | 第51-52页 |
| 5.4.2 预测算法 | 第52-53页 |
| 5.5 算法结果分析 | 第53-56页 |
| 5.5.1 特征选择 | 第53-54页 |
| 5.5.2 基分类器数量对算法的影响 | 第54-55页 |
| 5.5.3 近邻数量对算法的影响 | 第55页 |
| 5.5.4 与其他算法比较 | 第55-56页 |
| 5.6 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 本文工作总结 | 第57-58页 |
| 6.2 未来工作展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第62-63页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第63-64页 |
| 致谢 | 第64页 |
